【图像分割】还用语义分割抠图？NO，这才是人像抠图的正确打开方式

一直以来 人像分割是科研研究者的重点研究方向 也是许多商业软件的核心功能！

做好了人像抠图

就可以设计各种各样的营销海报

对于淘宝等电商平台来说

可以大大降低设计成本

做好了人像抠图

你再也不需要去照相馆拍证件照

足不出户就可使用自己的照片一键生成

省时又省钱

做好了人像抠图

上网课/开会的时候

你还担心线上会议直播软件会暴露隐私吗

背景想换就换

宇宙星空还是高山大川

想去哪里就去哪里

要想做好这样的人像抠图，语义分割是远远不够用的。语义分割是对像素进行分类任务，只能获得硬的分割结果，在人像的边缘处无法取得精细结果，更无法处理好人像毛发等细节，因此需要更精细的技术，这就是Image Matting。

如下图中间的图，就是Image Matting的结果，它不仅估计出一个掩膜，掩膜的值更是连续平滑的，这样才能得到最右边的抠图结果。

Image Matting是一个很经典的问题，从传统的Matting方法到深度学习技术，有非常多的方法，我们上一次给大家提供了一次实践课程，即Semantic Human Matting实战，了解详情可以阅读：

【项目实战课】基于Pytorch的Semantic_Human_Matting（人像软分割）实战

当然，如果想要学习好Image Matting模型，掌握好语义分割的内容也是必要的基础，为了帮助大家系统性解决所有图像分割领域知识的学习，我们推出了《深度学习之图像分割-理论实践篇》专栏课程。目前已完成15余小时的理论课与实践课程，并还将继续更新，为学员深入解读图像分割基础理论原理及经典网络结构，经合实际项目，将所学理论应用于实践。

图像分割完整课程介绍

本课程内容包括图像分割的各个经典领域的算法与实践，时长超过15个小时，理论与实践内容非常丰富，下面是当前课程的大纲脑图：

(1) 理论部分内容包括：涵盖了深度学习之图像分割的各个研究方向，如图像分割基础、语义分割模型及其改进技术、弱监督语义分割，Image Matting经典模型及其改进，各类实例分割模型等，既有足够的宽度，也具备有足够的深度。我们会非常详细地讲解算法中的细节，帮助彻底消化算法原理；

(2) 实践非常丰富：本次课程中一共已经包含了4个实践案例，分别为人脸嘴唇分割实战，缺陷分割实战，Image Matting人像抠图实战，Mask RCNN实例分割实战，后续还会增加其他方向的实战，部分案例结果图如下：

下面简单了解一下课程各部分的大体内容：

(1) 图像分割基础讲解，包括图像分割问题定义，数据集，评估方法与优化目标。

(2) 语义分割基础模型详解，包括FCN，SegNet，UNet。

(3) 语义分割模型改进，包括感受野改进，多尺度模型，后处理。

(4) 弱监督语义分割模型讲解，包括问题定义，关键技术，以及弱监督的语义分割模型。

(5) Image Matting，包括基本概念，基于Trimap的Matting模型以及模型的改进。

(6) 实例分割基础，包括实例分割问题定义，评估方法与优化目标，基础实例分割模型详解。

(7) 二阶段与一阶段实例分割模型，包括FCIS，Mask RCNN，YOLACT，SOLO，PolarMask等详解。

(8) 语义分割模型快速实践，包括语义分割数据类的创建与数据读取，模型训练与测试。

(9) 缺陷分割与主流语义分割模型实践，包括数据类的创建与数据读取，模型搭建，训练与测试。

(10) Image Matting人像抠图实战，包括抠图模型讲解，数据准备与读取，模型搭建，模型训练与测试。

(11) 实例分割模型实战，包括数据读取，模型搭建。

嘴唇分割与人像抠图项目实战效果展示

学习完你将掌握：

(1) 语义分割的主流算法。

(2) 实例分割的主流算法。

(3) Image Matting的主流算法。